【实践】数字图像处理DIP课程课业打卡实验3 图像噪声去除

ゞ浴缸里的玫瑰 2023-02-18 03:05 41阅读 0赞

### 【实践】数字图像处理DIP课程课业打卡实验3 图像噪声去除 ###

*  一、实验目的
 *  二、实验内容
 *   *  1、调用matlab自带函数imnoise、medfilt2、filter2实现如下功能：
     *  （1）生成含有高斯噪声、椒盐噪声的图像
     *  （2）使用均值滤波分别对高斯噪声、椒盐噪声的图像进行滤波。
     *  （3）使用中值滤波分别对高斯噪声、椒盐噪声的图像进行滤波。
     *  2、实现KNN（K近邻平滑滤波器）的代码。
     *  3、实现SNN（对称近邻平滑滤波器）的代码。

***叮嘟！这里是小啊呜的学习课程资料整理。好记性不如烂笔头，今天也是努力进步的一天。一起加油进阶吧！***  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5_size_16_color_FFFFFF_t_70_pic_center]

# 一、实验目的 #

1、掌握基于均值平滑操作的信号去噪方法的基本原理（适用于一维或二维信号的情况）。了解加性噪声和乘性噪声各自的特点。  
2、掌握均值滤波器的工作原理和算法实现。  
3、掌握中值滤波器的工作原理和算法实现。  
4、理解边界保持类滤波器的工作原理。  
5、掌握KNN（K近邻平滑滤波器）、SNN（对称近邻平滑滤波器）的算法思想及代码实现。

# 二、实验内容 #

## 1、调用matlab自带函数imnoise、medfilt2、filter2实现如下功能： ##

## （1）生成含有高斯噪声、椒盐噪声的图像 ##

## （2）使用均值滤波分别对高斯噪声、椒盐噪声的图像进行滤波。 ##

## （3）使用中值滤波分别对高斯噪声、椒盐噪声的图像进行滤波。 ##

（1）	生成含有高斯噪声、椒盐噪声的图像
    （2）	使用均值滤波分别对高斯噪声、椒盐噪声的图像进行滤波。
    （3）	使用中值滤波分别对高斯噪声、椒盐噪声的图像进行滤波。

% 1）生成含有高斯噪声、椒盐噪声的图像
    im = imread('im\cameraman.tif');
    im_noise_salt = imnoise(im,'salt & pepper'); % 加入椒盐噪声
    im_noise_gaussian = imnoise(im,'gaussian'); % 加入高斯噪声
    figure;
    subplot(131),imshow(im);title('原图');
    subplot(132),imshow(im_noise_salt);title('加入椒盐噪声后的图像');
    subplot(133),imshow(im_noise_gaussian);title('加入高斯噪声后的图像');
    
    % 2）使用均值滤波分别对高斯噪声、椒盐噪声的图像进行滤波
    n=1; m=2*n+1;
    A = fspecial('average',m); % 生成系统自带3×3滤波器
    im_filtered1 = filter2(A,im_noise_salt);
    im_filtered2 = filter2(A,im_noise_gaussian);
    figure;
    subplot(321),imshow(im_noise_salt);title('加入椒盐噪声后的图像');
    subplot(322),imshow(im_noise_gaussian);title('加入高斯噪声后的图像');
    subplot(323),imshow(uint8(im_filtered1));title('椒盐噪声图像进行均值滤波后的图像');
    subplot(324),imshow(uint8(im_filtered2));title('高斯噪声图像进行均值滤波后的图像');
    
    % 3）使用中值滤波分别对高斯噪声、椒盐噪声的图像进行滤波
    n1 = 2; m1 = 2*n1+1;
    n2 = 2; m2 = 2*n2+1;
    
    im_filtered11 = medfilt2(im_noise_salt,[m1,m2]);
    im_filtered22 = medfilt2(im_noise_gaussian,[m1,m2]);
    subplot(325),imshow(im_filtered11);title('椒盐噪声图像进行中值滤波后的图像');
    subplot(326),imshow(im_filtered22);title('高斯噪声图像进行中值滤波后的图像');

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5_size_16_color_FFFFFF_t_70_pic_center 1]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5_size_16_color_FFFFFF_t_70_pic_center 2]  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5_size_16_color_FFFFFF_t_70_pic_center 3][]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5_size_16_color_FFFFFF_t_70_pic_center 4]

## 2、实现KNN（K近邻平滑滤波器）的代码。 ##

要求：  
**算法实现为函数\[im\]=KNN\_denoise (I,K,N)，其中I为读入的图像矩阵；K为最近邻个数，N为模板大小参数（N\*N）。**

测试代码如下：

im=imread('im\cameraman.tif');   
    im_noise=imnoise(im,'salt & pepper');  %加入椒盐噪声
    figure,imshow(im_noise),title('加入椒盐噪声图象'); 
    N = 7; K=25;
    [im_filered]=KNNFilter(im_noise,N,K);

（代码复制到此处）

% im=imread('im\cameraman.tif');  %%mandi.tif'); 
    % im=imread('im\cameraman.tif');   
    % im_noise=imnoise(im,'salt & pepper');  %加入椒盐噪声
    % figure,imshow(im_noise),title('加入椒盐噪声图象'); 
    % N = 7; K=25;
    % [im_filered]=KNNFilter(im_noise,N,K);
    
    function [im_filered]=KNNFilter(im_noise,N,K)
    
    [h,l,c]=size(im_noise);
    Y=zeros(h,1);
    n=floor(N/2);
    im=double(im_noise);
    mid=floor((N*N)/2)+1;
    for i=n+1:h-n
        for j=n+1:l-n
            block=im(i-n:i+n,j-n:j+n);
            block_delt=abs(block-im(i,j));
            block_delt_inline=block-im(i,j);
            block_delt_inline(mid)=[];
            [tempSort,Ind]=sort(block_delt_inline);
            block_inline=block(:);
            block_inline(mid)=[];
            KNNS=block_inline(Ind(1:K));
            Y(i,j)=mean(KNNS);
        end
    end
    
    im_filered=uint8(Y);
    figure,imshow(im_filered),title('KNN滤波图像');    %%显示滤波后图像
    end

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5_size_16_color_FFFFFF_t_70_pic_center 5]

## 3、实现SNN（对称近邻平滑滤波器）的代码。 ##

要求：  
**算法实现为函数\[im\]=SNN\_denoise (I,N)，其中I为读入的图像矩阵； N为模板大小参数（正方形模板，边长为：2\*N+1）。**

测试代码如下：

im=imread('im\cameraman.tif');  %%mandi.tif'); 
    im_noise=imnoise(im,'salt & pepper');  %加入椒盐噪声
    figure,imshow(im_noise),title('加入噪声之后的图象');  
    [im_filered]=SNNFilter(im_noise,2);
    figure,imshow(im_filered),title('SNN滤波图像'); %显示滤波后的图象

（代码复制到此处）

% im_noise=imnoise(im,'salt & pepper');  %加入椒盐噪声
    % figure,imshow(im_noise),title('加入噪声之后的图象');  
    % [im_filered]=SNNFilter(im_noise,2);
    % figure,imshow(im_filered),title('SNN滤波图像'); %显示滤波后的图象
    
    
    function [im_filered]=SNNFilter(im_noise,n);
    [h,l,c]=size(im_noise);
    Y=zeros(h,l);
    
    for i=n+1:h-n
        for j=n+1:l-n
            temp=[];    %每处理一点
            for row=i-n:i+n
                for col=j-n:j+n
                    a0=double(im_noise(i,j));
                    a1=double(im_noise(row,col));
                    a2=double(im_noise(2*i-row,2*j-col));
                    if(abs(a1-a0)>abs(a2-a0))
                        selected_a=a2;
                    else
                        selected_a=a1;
                    end
                    
                    if~(row==i && col==j)
                        temp=[temp,selected_a];
                    end
                end
            end
            Y(i,j) = mean(temp);
        end  
    end
     im_filered = uint8(Y);
    end

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5_size_16_color_FFFFFF_t_70_pic_center 6]

**Ending！**  
更多课程知识学习记录随后再来吧！

就酱，嘎啦！

![在这里插入图片描述][20200207152559955.png_pic_center]

注：  
人生在勤，不索何获。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5_size_16_color_FFFFFF_t_70_pic_center]: https://img-blog.csdnimg.cn/202003012210578.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5_size_16_color_FFFFFF_t_70_pic_center 1]: https://img-blog.csdnimg.cn/20200615161651274.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5_size_16_color_FFFFFF_t_70_pic_center 2]: https://img-blog.csdnimg.cn/20200615161722582.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5_size_16_color_FFFFFF_t_70_pic_center 3]: https://img-blog.csdnimg.cn/20200615161737489.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5_size_16_color_FFFFFF_t_70_pic_center 4]: https://img-blog.csdnimg.cn/20200615161754261.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5_size_16_color_FFFFFF_t_70_pic_center 5]: https://img-blog.csdnimg.cn/20200615161808290.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5_size_16_color_FFFFFF_t_70_pic_center 6]: https://img-blog.csdnimg.cn/20200615161822907.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNTQzNzg5,size_16,color_FFFFFF,t_70#pic_center
[20200207152559955.png_pic_center]: https://img-blog.csdnimg.cn/20200207152559955.png#pic_center